[发明专利]基于多层正则化极限学习机的用电行为检测方法及系统

权利要求书

1.一种基于多层正则化极限学习机的用电行为检测方法，其特征在于，包括：

获取配电网系统电力用户的原始用电数据，并基于所述原始用电数据对预设的多层正则化极限学习机进行训练，使得到多层极限学习机检测模型，其中所述多层正则化极限学习机的目标函数为：

式中，C为调节经验风险和结构风险的参数，α为L2正则化和L1正则化的加权系数，minL为最小化目标函数，Y为输出数据样本集合，H为隐含层输出矩阵，β为隐含层输出权重，||β||₂为L2正则化的输出权重向量范数，||β||₁为L1正则化的向量范数；

基于新型自适应状态转移算法对所述多层极限学习机检测模型进行网络参数寻优，使输出最优网络结构参数，其中，基于新型自适应状态转移算法对所述多层极限学习机检测模型进行网络参数寻优的表达式为：

式中，v_k为变量空间中的当前状态，A_k为状态转移矩阵，N_total为训练样本总数，N_actual为被正确检测样本的个数，F(v_k+1)为适应度函数，即为用户异常用电行为检测错误率；

输出所述最优网络结构参数的过程包括：

基于非线性自适应调整策略对变换因子进行更新，其中所述变换因子包括旋转因子、平移因子、伸缩因子以及轴向因子，所述非线性自适应调整策略的表达式：

式中，S_a.max、S_b.max、S_c.max、S_d.max分别为旋转因子的最大取值、平移因子的最大取值、伸缩因子的最大取值以及轴向因子的最大取值，t为当前迭代次数，T_a._max、T_b.max、T_c.max、T_d.max分别为旋转因子满足终止条件的最大迭代次数、平移因子满足终止条件的最大迭代次数、伸缩因子满足终止条件的最大迭代次数以及轴向因子满足终止条件的最大迭代次数，a、b、c、d分别为旋转因子、平移因子、伸缩因子以及轴向因子；

从当前种群中选择适应度函数F达到最小值的一组{l₁，l₂，l₃，C，α}值，记为v_best，对应的适应度为F_best，将v_best复制为个体数为初始化种群的个数N_SE的群体，记为v_k，根据伸缩变换算子、旋转变换算子或轴向变换算子进行伸缩变换得到新的种群，经过伸缩变换后的种群中的最优个体为v_newbest，对应的适应度为F_newbest，如果F_newbest＜F_best，则根据平移变换算子对个体v_newbest进行平移变换，并更新平移变换后的v_best和F_best，否则不进行平移变换，其中，l₁为多层极限学习机检测模型第一层神经元个数，l₂为多层极限学习机检测模型第二层神经元个数，l₃为多层极限学习机检测模型第三层神经元个数，计算所述伸缩变换算子的表达式为：

v_k+1＝v_k+cR_ev_k，

式中，V_k为超参数变量k时刻的状态，即当前状态，v_k+1为超参数变量k+1时刻的状态，c为平移因子，R_e为元素服从高斯分布的随机对角矩阵；

计算所述旋转变换算子的表达式为：

式中，a为旋转因子，v_k为超参数变量k时刻的状态，即当前状态，R_r为元素服从[-1，1]均匀分布的随机矩阵，v_k+1为超参数变量k+1时刻的状态，n为随机矩阵R_r的维数，||v_k||₂为超参数变量k时刻的2范数；

计算所述轴向变换算子的表达式为：

v_k+1＝v_k+dR_av_k，

式中，v_k+1为超参数变量k+1时刻的状态，v_k为超参数变量k时刻的状态，即当前状态，d为轴向因子，R_a为非零元素服从高斯分布的稀疏随机对角矩阵；计算所述平移变换算子的表达式为：

式中，v_k+1为超参数变量k+1时刻的状态，v_k为超参数变量k时刻的状态，即当前状态，v_k-1为超参数变量k-1时刻的状态，||v_k-v_k-1||₂为超参数变量k时刻与k-1时刻之差的2范数，R_t为元素服从[0，1]均匀分布的随机数，b为平移因子；

判断适应度函数是否满足最小要求或是否达到最大迭代次数，若适应度函数满足最小要求或达到最大迭代次数，输出种群中的最优个体作为最优网络结构参数；

将在线检测数据输入至基于所述最优网络结构参数建立的多层极限学习机检测模型中，使输出用电异常用户。